El Papel de la Inteligencia Artificial en el Diagnóstico y Manejo de las Enfermedades de la Retina
Palabras clave:
DIAGNÓSTICO CLÍNICO; ENFERMEDADES DE LA RETINA; INTELIGENCIA ARTIFICIAL; MANEJO DE LA ENFERMEDAD; SISTEMAS INTELIGENTES., CLINICAL DIAGNOSIS; RETINAL DISEASES; ARTIFICIAL INTELLIGENCE; DISEASE MANAGEMENT; INTELLIGENT SYSTEMS., DIAGNÓSTICO CLÍNICO; DOENÇAS RETINIANAS; INTELIGÊNCIA ARTIFICIAL; GERENCIAMENTO CLÍNICO; SISTEMAS INTELIGENTES.Resumen
Introducción: las enfermedades retinianas, como la retinopatía diabética y la degeneración macular asociada a la edad, representan causas principales de discapacidad visual irreversible, generando una creciente presión sobre los sistemas de salud.
Objetivo: analizar la evidencia reciente sobre las aplicaciones de la inteligencia artificial en el diagnóstico, seguimiento y manejo de patologías retinianas.
Métodos: se desarrolló una revisión bibliográfica sistemática en bases de datos internacionales, empleando términos clave relacionados con inteligencia artificial, aprendizaje profundo y retina. Se seleccionaron artículos publicados en los últimos años que abordaran aplicaciones clínicas, validación de algoritmos y desafíos de implementación. El análisis se centró en identificar tendencias, aportes metodológicos y limitaciones reportadas.
Desarrollo: los algoritmos de aprendizaje profundo han alcanzado una precisión comparable o superior a la de expertos humanos en tareas de clasificación de imágenes retinianas. Se destacan avances en la detección automatizada de retinopatía diabética, la cuantificación de biomarcadores en tomografía de coherencia óptica y la predicción de progresión en degeneración macular. Asimismo, se han explorado aplicaciones en glaucoma y retinopatía del prematuro, ampliando el espectro de utilidad clínica. Sin embargo, persisten retos relacionados con la generalización de modelos, la explicabilidad de las decisiones algorítmicas, la integración en flujos asistenciales y las implicaciones éticas y legales.
Conclusiones: la inteligencia artificial constituye una herramienta prometedora para optimizar el diagnóstico y seguimiento de enfermedades retinianas. Su integración ética y efectiva puede mejorar la equidad, accesibilidad y calidad de la atención, consolidando un nuevo paradigma en la oftalmología contemporánea.
Descargas
Citas
1. Flaxman SR, Bourne RRA, Resnikoff S, Ackland P, Braithwaite T, Cicinelli MV, et al. Global causes of blindness and distance vision impairment 1990-2020: a systematic review and meta-analysis. Lancet Glob Health [Internet]. 2017 [citado 18/11/2025]; 5(12):e1221-e1234. Disponible en: https://doi.org/10.1016/s2214-109x(17)30393-5
2. Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R, et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol [Internet]. 2019 Feb [citado 18/11/2025]; 103(2):167-175. Disponible en: https://doi.org/10.1136/bjophthalmol-2018-313173
3. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H. Artificial intelligence in retina. Prog Retin Eye Res [Internet]. 2018 Nov [citado 18/11/2025]; 67:1-29. Disponible en: https://doi.org/10.1016/j.preteyeres.2018.07.004
4. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med [Internet]. 2019 [citado 18/11/2025]; 25(1):24-29. Disponible en: https://doi.org/10.1038/s41591-018-0316-z
5. De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, et al Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med [Internet]. 2018 [citado 18/11/2025]; 24(9):1342-1350. Disponible en: https://doi.org/10.1038/s41591-018-0107-6
6. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA [Internet]. 2016 [citado 18/11/2025]; 316(22):2402-2410. Disponible en: https://doi.org/10.1001/jama.2016.17216
7. Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA [Internet]. 2017 [citado 18/11/2025]; 318(22):2211-2223. Disponible en: https://doi.org/10.1001/jama.2017.18152
8. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med [Internet]. 2018 [citado 18/11/2025]; 1:39. Disponible en: https://doi.org/10.1038/s41746-018-0040-6
9. Bora A, Balasubramanian S, Babenko B, Virmani S, Venugopalan S, Mitani A, et al. Predicting the risk of developing diabetic retinopathy using deep learning. Lancet Digit Health [Internet]. 2021 [citado 18/11/2025]; 3(1):e10-e19. Disponible en: https://doi.org/10.1016/s2589-7500(20)30250-8
10. Schlegl T, Waldstein SM, Bogunovic H, Endstraßer F, Sadeghipour A, Philip AM, et al. Fully Automated Detection and Quantification of Macular Fluid in OCT Using Deep Learning. Ophthalmology [Internet]. 2018 [citado 18/11/2025]; 125(4):549-558. Disponible en: https://doi.org/10.1016/j.ophtha.2017.10.031
11. Schmidt-Erfurth U, Waldstein SM, Klimscha S, Sadeghipour A, Hu X, Gerendas BS, et al. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci [Internet]. 2018 [citado 18/11/2025]; 59(8):3199-3208. Disponible en: https://doi.org/10.1167/iovs.18-24106
12. Yim J, Chopra R, Spitz T, Winkens J, Obika A, Kelly C, et al. Predicting conversion to wet age-related macular degeneration using deep learning. Nat Med [Internet]. 2020 [citado 18/11/2025]; 26(6):892-899. Disponible en: https://doi.org/10.1038/s41591-020-0867-7
13. Peng Y, Dharssi S, Chen Q, Keenan TD, Agrón E, Wong WT, et al. DeepSeeNet: A Deep Learning Model for Automated Classification of Patient-based Age-related Macular Degeneration Severity from Color Fundus Photographs. Ophthalmology [Internet]. 2019 [citado 18/11/2025]; 126(4):565-575. Disponible en: https://doi.org/10.1016/j.ophtha.2018.11.015
14. Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology [Internet]. 2018 [citado 18/11/2025]; 125(8):1199-1206. Disponible en: https://doi.org/10.1016/j.ophtha.2018.01.023
15. Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, et al. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol [Internet]. 2018 [citado 18/11/2025]; 136(7):803-810. Disponible en: https://doi.org/10.1001/jamaophthalmol.2018.1934
16. Lee CS, Baughman DM, Lee AY. Deep learning is effective for the classification of OCT images of normal versus Age-related Macular Degeneration. Ophthalmol Retina [Internet]. 2017 [citado 18/11/2025]; 1(4):322-327. Disponible en: https://doi.org/10.1016/j.oret.2016.12.009
17. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng [Internet]. 2018 [citado 18/11/2025]; 2(3):158-164. Disponible en: https://doi.org/10.1038/s41551-018-0195-0
18. Keane PA, Topol EJ. With an eye to AI and autonomous diagnosis. NPJ Digit Med [Internet]. 2018 [citado 18/11/2025]; 1:40. Disponible en: https://doi.org/10.1038/s41746-018-0048-y
19. Seyyed-Kalantari L, Zhang H, McDermott MBA, Chen IY, Ghassemi M. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med [Internet]. 2021 [citado 18/11/2025]; 27(12):2176-2182. Disponible en: https://doi.org/10.1038/s41591-021-01595-0
20. Reyes M, Meier R, Pereira S, Silva CA, Dahlweid FM, von Tengg-Kobligk H, et al. On the Interpretability of Artificial Intelligence in Radiology: Challenges and Opportunities. Radiol Artif Intell [Internet]. 2020 [citado 18/11/2025]; 2(3):e190043. Disponible en: https://doi.org/10.1148/ryai.2020190043
21. Karthik A, Mynampati S. Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [Internet]. 2025; arXiv preprint arXiv:2511.16294. Disponible en: https://arxiv.org/pdf/2511.16294
22. Xie Y, Nguyen QD, Hamzah H, Lim G, Bellemo V, Gunasekeran DV, et al. Artificial intelligence for teleophthalmology-based diabetic retinopathy screening in a national programme: an economic analysis modelling study. Lancet Digit Health [Internet]. 2020 [citado 18/11/2025]; 2(5):e240-e249. Disponible en: https://doi.org/10.1016/s2589-7500(20)30060-1
23. Price WN 2nd, Gerke S, Cohen IG. Potential Liability for Physicians Using Artificial Intelligence. JAMA [Internet]. 2019 [citado 18/11/2025]; 322(18):1765-1766. Disponible en: https://doi.org/10.1001/jama.2019.15064
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Nayaris Gómez Martínez, Nairovys Gomez Martinez, José Carlos Moreno-Domínguez, Ivette González-Fajardo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
